Diese Master-Thesis behandelt die Forschungsfrage:
Wie ist der Status Quo und das Bestreben von Managerinnen und Managern bzw. Führungskräften des deutschen Mittelstands mit Fokus auf die E-Commerce-Branche, prädiktive Analysen auf Basis künstlicher Intelligenz zur Prognose des Verhaltens von Konsumentinnen und Konsumenten und verkaufspsychologischer Verwendung einzusetzen?
In einer Literaturrecherche werden dafür zunächst die relevanten Themen, wie Big Data, die E-Commerce-Branche und künstliche Intelligenz, sowie mit diesen Themen einhergehende Methoden und Entwicklungen beleuchtet. Ziel ist die Aufklärung über aktuelle unternehmensstrategische Möglichkeiten, auf Basis künstlicher Intelligenzen, sowie der Kombination, die sich mit der Verkaufspsychologie ergeben. Das Verhalten von Kundinnen und Kunden vorherzusagen, hilft Großkonzernen wie Amazon, den Absatz u. a. durch gezielte Angebote bei erhöhtem Produktinteresse zu steigern und die Abwanderungen von Kundinnen und Kunden zu verringern.
In der vorliegenden Arbeit wird mittels einer quantitativen Umfrage analysiert, inwieweit Unternehmen des deutschen Mittelstands diese Strategie bereits verfolgen und ob sie ebenso wie die zuvor genannten Großkonzerne bereits eine große Anzahl an Daten (Big Data) ihrer Kundinnen und Kunden erfassen, um in der Folge mittels künstlicher Intelligenz oder effizienter Algorithmen prädiktive Analysen anzuwenden und diese verkaufspsychologisch zu nutzen. Des Weiteren wird untersucht, welche Schwierigkeiten bei der Umsetzung der Datennutzung existieren und inwieweit die Techniken für die Sicherung der Wettbewerbsfähigkeit als nützlich betrachtet werden.
Insgesamt wurde in der empirischen Forschung eine Stichprobe von n=175 erreicht, welche weiter auf die relevante Zielgruppe reduziert wurde.
Inhaltsverzeichnis
1 Einleitung
1.1 Problemstellung
1.2 Ziel der Arbeit
1.3 Forschungsfrage
1.4 Methodischer Aufbau
2 Grundlagen und Begriffe
2.1 Entwicklungsgeschichte des E-Commerce
2.2 Daten und Fakten (E-Commerce)
2.3 Marktsituation und Wettbewerb im E-Commerce
2.4 Definition ‚künstliche Intelligenz‘
2.5 Die Geschichte der künstlichen Intelligenz
2.6 Verfahren und Methoden
2.7 Ethische Fragen
3 Aktuelle Entwicklungen
3.1 Big Data
3.2 Machine Learning
3.3 Deep Learning
3.4 Künstliche neuronale Netze als Teil des Deep Learnings
3.5 Künstliche Intelligenz im Marketing
3.6 Verhalten der Zielgruppe (Customer Insights)
3.7 Prädiktive Analytik
4 Prädiktive Analytik in der Anwendung
4.1 Best practice: Am Beispiel Asaf Jacobi
4.2 Verkaufspsychologische Möglichkeiten zur Nutzung der Resultate
4.2.1 Decoy-Effekt
4.2.2 Ankereffekt
4.2.3 Foot-in-the-door-Technik
4.2.4 Framing
4.2.5 Künstliche Verknappung
4.2.6 Priming
4.2.7 Reziprozitätseffekte
5 Methodik
5.1 Methodisches Vorgehen
5.2 Stichprobenauswahl der quantitativen Erhebung
5.3 Pre-Testing des standardisierten Fragebogens
5.4 Fragebogendesign
5.5 Datenerhebung
5.6 Filterung der Zielgruppe
6 Ergebnisse der quantitativen Umfrage
6.1 Ergebnisse und Interpretation
6.2 Zusammenfassung der Ergebnisse
6.3 Schlussfolgerung
6.4 Beantwortung der Forschungsfrage
6.4.1 Status Quo des deutschen Mittelstands (E-Commerce)
6.4.2 Bestreben des deutschen Mittelstands (E-Commerce)
6.5 Handlungsempfehlung für Unternehmen
7 Fazit
Zielsetzung & Themen der Forschungsarbeit
Diese Arbeit untersucht den Status Quo sowie das Bestreben deutscher E-Commerce-Unternehmen des Mittelstands beim Einsatz prädiktiver Analysen auf Basis künstlicher Intelligenz. Ziel ist es, Einsatzfelder, Potenziale für Umsatzsteigerungen sowie bestehende Hürden (wie Datenschutz oder technischer Aufwand) zu identifizieren und Handlungsempfehlungen abzuleiten.
- Status Quo der Datennutzung und KI-Implementierung im deutschen Mittelstand
- Verhaltensprognosen zur Steigerung von Absatz und Optimierung der Warenlogistik
- Kombination von prädiktiver Analytik mit verkaufspsychologischen Methoden
- Identifikation von Herausforderungen bei der Umsetzung von Datenstrategien
- Ableitung von Handlungsempfehlungen für mittelständische Managementebenen
Auszug aus dem Buch
4.2.1 Decoy-Effekt
Decoy bedeutet ‚Köder‘. Der Decoy-Effekt kann bei der Visualisierung von Preisvarianten von Produkten sinnvoll eingesetzt werden. Der psychologische Hintergrund ist der folgende: Haben Menschen zwei Auswahloptionen, z. B. zwischen einem günstigen Produkt A und einem teuren Produkt B, so fällt es ihnen schwer, eine Auswahl zu treffen. Wird nun aber ein weiteres Produkt, Produkt C, hinzugefügt, das sozusagen als eher unattraktiver Köder fungiert, steigt die Wahrscheinlichkeit, dass die Interessentin oder der Interessent sich für das teure Produkt B entscheidet (vgl. Tembrink 2020, S. 90).
Beispiel für den Decoy-Effekt:
Tabelle 1: Beispiel für den Decoy-Effekt (vgl. Tembrink 2020, S. 90)
Produkt A: Online-Abo: 59 $ | Produkt B: Online- und Print-Abo: 125 $ | Produkt C: Online-Abo: 125 $
In einer Studie des Professors für Psychologie und Verhaltensökonomie Daniel Ariely mit 100 Teilnehmerinnen und Teilnehmern konnte belegt werden, dass das Hinzufügen des eher unsinnigen Produktes C die Wahrscheinlichkeit des Absatzes von Produkt B in diesem Fall um 30 % steigerte (vgl. Mithun Sridharan).
Zusammenfassung der Kapitel
1 Einleitung: Beschreibt die Problemstellung in der E-Commerce-Branche sowie das Ziel und den methodischen Aufbau der Arbeit.
2 Grundlagen und Begriffe: Vermittelt die historische Entwicklung des E-Commerce und definiert zentrale Begriffe der künstlichen Intelligenz sowie ethische Rahmenbedingungen.
3 Aktuelle Entwicklungen: Beleuchtet technologische Kernthemen wie Big Data, Machine Learning, Deep Learning und deren Bedeutung für das moderne Marketing.
4 Prädiktive Analytik in der Anwendung: Zeigt praktische Nutzungsbeispiele und erläutert psychologische Verkaufstechniken zur Verwertung von Analyseergebnissen.
5 Methodik: Erläutert das Vorgehen bei der empirischen Untersuchung, inklusive Stichprobenauswahl und Design des standardisierten Fragebogens.
6 Ergebnisse der quantitativen Umfrage: Präsentiert und interpretiert die erhobenen Daten zur KI-Nutzung und zum Bestreben der Zielgruppe im E-Commerce.
7 Fazit: Fasst die Kernergebnisse zusammen, diskutiert die Limitationen und zeigt Potentiale für zukünftige Forschungsarbeiten auf.
Schlüsselwörter
Künstliche Intelligenz, E-Commerce, Prädiktive Analytik, Big Data, Verkaufspsychologie, Mittelstand, Customer Insights, Machine Learning, Deep Learning, Absatzsteigerung, Online-Marketing, Datenerhebung, Kundenverhalten, Business-Analytics-Software, Wettbewerbsfähigkeit.
Häufig gestellte Fragen
Worum geht es in dieser Forschungsarbeit grundlegend?
Die Arbeit untersucht den aktuellen Stand und die Ambitionen deutscher mittelständischer E-Commerce-Unternehmen beim Einsatz prädiktiver Analysen auf Basis künstlicher Intelligenz.
Welche zentralen Themen werden behandelt?
Die Forschungsarbeit verknüpft technologische Aspekte wie Big Data und künstliche Intelligenz mit verkaufspsychologischen Methoden im E-Commerce.
Was ist das primäre Ziel der Untersuchung?
Ziel ist es, zu analysieren, ob deutsche Mittelständler prädiktive Analytik bereits aktiv zur Prognose von Kundenverhalten einsetzen und welche Hürden dabei existieren.
Welche wissenschaftliche Methode kommt zur Anwendung?
Der Autor führt eine quantitative empirische Untersuchung mittels eines standardisierten Fragebogens durch, wobei n=45 Teilnehmer der relevanten Zielgruppe ausgewertet wurden.
Was deckt der Hauptteil der Arbeit inhaltlich ab?
Der Hauptteil gliedert sich in theoretische Grundlagen zu KI und prädiktiven Analysen, Best-Practice-Beispiele, eine Übersicht verkaufspsychologischer Techniken sowie die empirische Ergebnisdarstellung.
Welche Schlüsselwörter beschreiben diese Master-Thesis am besten?
Zentrale Begriffe sind künstliche Intelligenz, prädiktive Analytik, E-Commerce, Big Data, Kundenverhalten und Verkaufspsychologie.
Welche Rolle spielt der deutsche Mittelstand in der Forschung?
Als spezifische Forschungslücke fokussiert die Arbeit Unternehmen mit einem Jahresumsatz von bis zu 50 Millionen Euro und einer definierten Mitarbeiterzahl.
Welche Bedenken äußern die befragten Unternehmen?
Die größten Hemmnisse sind Datenschutzbedenken, hoher technischer Implementierungsaufwand und ein als unzureichend wahrgenommenes Fachwissen.
Wie bewerten die Unternehmen ihr Potential durch prädiktive Analysen?
Die Mehrheit der Befragten erwartet durch den Einsatz dieser Technologien eine signifikante Umsatzsteigerung von 10 % bis 30 %.
Welche Bedeutung hat die Verkaufspsychologie in diesem Kontext?
Die Arbeit verdeutlicht, dass Dateneinblicke allein nicht ausreichen; sie müssen mit psychologischen Techniken wie dem Decoy-Effekt oder Framing kombiniert werden, um den Absatz effektiv zu steuern.
- Citar trabajo
- Stephan Griesenbrock (Autor), 2023, Der Einsatz prädiktiver Analysen auf Basis künstlicher Intelligenz (KI) zur Prognose des Verhaltens von Konsumentinnen und Konsumenten, sowie zur psychologischen Verwendung im E-Commerce, Múnich, GRIN Verlag, https://www.grin.com/document/1353860
